信用评分建模时的坑

分析流程是门工艺

实际工作中，清晰的数据分析流程是保证模型质量的重要手段，属于工艺的范畴。数据分析流程没有统一固定的标准答案，只有业界领先的经验，需要结合实际业务的特点进行不断调整与优化。

建模总体需排除异常

构建信用评分模型前，需明确用于建模的客户或申请者必须是日常审批过程中接触到的，入模样本总体需排除如下三类人群：

• 异常行为：如销户、按条例明确拒绝的客户；
• 特殊账户：出国、卡丢失或失窃、死亡、未成年人、员工账户、VIP账户；
• 其他建模对象：欺诈客户、主动销户者。

其中，欺诈客户可以构建反欺诈评分模型去识别预测，主动销户者可以构建流失评分模型去识别预测。同时，对于预测建模，目标变量的定义非常重要，Y的定义方式是对建模结果影响最大的一步。

最好别让字符型变量入模

有些SAS过程不能直接处理字符型变量，即便可以处理，过程也比较繁琐，因此在构建模型之前，最好将字符型变量转换成数值型变量，例如性别F/M重新编码为0/1的形式，学历等级小学、中学、高中重新编码为1/2/3的形式。

一般，我的处理方法为：利用数据字典与宏变量数组相结合的方式，自动化的对字符变量进行重编码。SAS构建模型时经常会用到样本列的信息，所以利用sashelp逻辑库中的Vcolumn真的非常重要。

样本抽样时的坑

信用评分模型建模时，某些情况下想要预测的事件发生的比例非常低，即坏样本数量过低，如直邮营销中潜在客户的响应率、企业贷款违约率、电信客户流失率等等，用这样的数据样本构建建模，模型误差与整体计算都会受到影响，即便模型训练时能够做到将总体的预测准确率优化的很好，训练出的模型也是失败的。

举例来说，某公司提供的数据样本中，坏账率仅有2%，建模时如果只是简单的将所有潜在客户都判断为好客户，即便能够达到98%的总体准确率，模型也是没有任何实际意义的。针对这种坏账率特别低的情况，我一般会使用过抽样的方法去解决：

可以将所有的坏样本放入建模数据集，而对于好样本只随机抽取一部分放入建模数据集，以此来提升坏样本的浓度，使得建模样本中好坏样本达到一定比例，一般该比例调整为1:1最好，在此基础上再去构建模型。

当然也会出现极其特殊的情况，实在没有办法进行样本的调整，例如公司刚起步，欺诈样本实在过少，坏账率确实就是全体样本的万分之一，此时我会使用另一种建模流程，即三步法建模。

所谓三步法，指的是在定义因变量0-1的时候定性与定量相结合、去逐步构建三个模型，从而找出比较少的那几个“坏”，即：

• 第一步：建模去找肯定是“好”的样本，我习惯使用决策树；
• 第二步：建模去找很有可能是“好”的样本，我习惯使用逻辑回归；
• 第三步：精确建模型区分出好坏样本，我习惯使用神经网络。

这种方法前两次建模是模糊的，第三次建模是精确的，做到这样三步很不容易，麻烦的地方在于前两次建模必须考虑Y如何去定义，这是比较困难的。

变量粗筛的方法很多

建模时变量粗筛的目的是滤除与被解释变量Y相关性不大的解释变量X，降低后续工作量，最终入模的变量大概20个左右，一般不会太多。

变量粗筛可以从几个角度入手，可以从自变量与因变量间的相关系数角度去筛选，也可以借助一些算法进行筛选。实际工作中，决策树与随机森林我用的较多，其实决策树单独使用的机会不大，但是作为辅助还是非常不错的选择。

日常样本积累时的注意点

日常工作中常常会涉及到样本的累积，样本累积便涉及到了样本维护的问题，一般样本维护应遵循三个基本原则：

• 维护的数据越少越好，要对存储的内容负责，有选择的存；
• 功能单一的数据单独存储，表的分类尽可能丰富，每张表中数据功能力求相似；
• 为了方便修改调整，某一个变量能且只能存在一张表中。

数据样本存储的形式基本为：

• 变量固定、观测也固定，以表的形式进行存储；
• 变量固定、观测动态，以视图的形式进行存储；
• 变量与观测皆为动态，以临时查询的方式进行存储。